基于DW T和LBP的紋理特征提取研究

韓友德　楊　鵬　任高山　張元龍　林　泉

（南昌航空大學信息工程學院　南昌　330000）

1　引言

圖像在人類感知中扮演著重要的角色，是人類視覺延續的重要手段。資料表明，在人類接受的信息中，通過視覺獲得的信息在所有信息中所占比例高達80%［1］。隨著圖像處理和計算機視覺等研究領域的飛速發展，圖像處理日益成為人們關注的熱點，作為圖像基本視覺特征之一的紋理是當前研究的一個重要領域，引起了諸多學者廣泛的研究。紋理分析方法已經廣泛地應用于多個領域，遙感圖像分析，如遙感圖像地形分類和衛星遙感圖像云類識別、遙感圖像目標識別等［2］；醫學圖像處理，醫學圖像一般都有較強的紋理特性，紋理分析方法有助于判斷區分正常組織和病變組織［3～4］；工業產品缺陷檢測，如紡織業的織物疵點檢測［4］、織物缺陷檢測［5］、林業生產中原木內部缺陷檢測［5］、汽車噴漆的檢測和鋼管缺陷檢測等；基于生物特征的身份鑒定，如人臉識別［6］、虹膜識別、視網膜識別、指紋識別、掌紋識別、簽名識別［7］等。

紋理提取的目標是：特征維數盡量小、鑒別能力強、穩定性好、空間復雜度低、實際應用性強［8］。文獻［9］提出局部二進制模式（Local Binary Pattern，LBP），它對光照、表情、模糊等都有一定的魯棒性，但LBP對整體宏觀的特征影響較小，識別率不高。紋理特征提取方法主要有基于統計的方法、基于結構特征的方法、基于模型的方法和基于信號處理（也稱頻譜）的方法［10］。1966年，Brodatz給出了Brodatz紋理庫成為后來人們研究紋理的重要數據源［11］。早期的紋理分析方法主要集中在紋理圖像的統計分析，其中具有代表性的算法為R.M.Haralik等提出的共生矩陣（Co-occurrence Matrix）［12］。早期的馬爾科夫模型（Markov Model）［13］以及高斯馬爾科夫隨機場（Gaussian Markov Random-Field，GMRF）［14］主要研究的也是圖像的旋轉不變的紋理。而馬爾科夫隨機場理論的提出引領著紋理特征的提取向新的方法邁進。Mallat［15］是第一個將小波理論引入紋理分析的學者并取得了不錯的效果；而后來的事實證明小波包、多進制小波以及小波框架等在紋理分析中起到了積極的作用，這也使得圖像的紋理分析多元化。

針對LBP的不足，本文提出一種基于離散小波變換（Discrete wavelet transform，DWT）和LBP直方圖結合的紋理識別方法。該方法首先對紋理進行小波分解，降低紋理維數，有效去除紋理的冗余信息，減少計算量，并分別對各個紋理子塊應用兩種不同的LBP算子計算各子塊的小波局部二值模式（WLBP）圖譜。使用DWT提取紋理的各個尺度，各個方向的小波系數，并采用基于統計模式的LBP算子，提取幅度響應特征作為紋理的特征。利用DWT和LBP相結合的方法能夠提取更加豐富有效的鑒別特征。在Brodatz［11］紋理庫上的實驗結果表明，本研究提出的算法能同時取得較高的紋理識別率。

2　基于DWT和LBP的紋理特征提取研究

2.1　離散小波變換（DW T）

J.Morlet提出了DWT以來，被廣泛地應用到了圖像處理領域，特別是紋理圖像的研究。DWT是對連續小波變換的尺度、位移按照2的冪次進行離散化得到的，所以也稱為二進制小波變換。DWT克服了傅里葉變換中表現形式往往不夠直觀，并且噪聲會使得信號頻譜復雜化。DWT的意義在于能夠在不同尺度上對信號進行分解，而且對不同尺度的選擇可以根據不同的目標來確定。在離散小波變換中，通常把連續小波變換當中的伸縮因子a和平移因子b的離散公示分別設為a，b=b0，j=0，±1，±2…所以對應的離散小波變換函數：

調整時間軸，將kb0歸一化變成k，則離散化后的小波函數變為

其中 f(t)為可積函數。

紋理離散小波變化如圖1所示。

圖1　DWT紋理圖像的輸出響應

由圖1可知，DWT在獲取紋理的時頻信息時，可以很好地分解紋理，保留紋理的水平，垂直，對角線紋理特征，適合進一步的在此基礎上進行算法的研究。

2.2　局部二值模式

局部二值模式（LBP）2002年由Matti Pietik?inen［9］提出來以后，因其旋轉不變性，特別是對圖像局部分析，特別是紋理類圖像特征提取方面的優勢，近幾年得到了模式識別，圖像處理，計算機視覺方面的廣泛應用。原始的LBP算子定義為在3*3的窗口內，以窗口中心像素為閾值，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0，這樣，3*3領域內的8個點經比較可產生8位二進制（通常轉換為十進制數即LBP，共256種），記得到該窗口中心像素點的LBP值，并用這個值來反映該區域的紋理信息，如圖2所示。Ojala等對LBP算子進行了改進，講3*3領域擴展到任意領域，并用圓形領域代替正方形領域，改進后的LBP算子允許在半徑為R的圓形鄰域內任意多個像素點。從而得到了諸如半徑為R的圓形區域內含有P個采樣點的LBP算子，如圖3所示。LBP提取紋理特征得到了，直方圖，如圖4所示。

圖2　基本的LBP算子

圖3　幾種LBP算子

圖4　，直方圖

2.3　方法流程

結合2.1節、2.2節所述的方法，對本文方法流程進行總結和說明，如圖5所示。

圖5　本文方法流程

DWT+LBP算法流程如下。

1）將訓練集紋理圖像進行離散小波變換，求得個方向，尺度小波系數。

2）使用LBP算子對所得輸出響應重新編碼。

3）統計紋理庫中所有LBP編碼模式，得到一個統計的直方圖。

4）提取到LBP特征后使用KNN分類器分類。

3　實驗結果與分析

為了驗證本文算法的優勢，使用了Brodatz，Outex，UMD庫對算法進行測試和比較。該紋理庫有24，456，24類，每類中有16，20，40圖紋理分別對應不用的表情，光照，裝飾，姿勢等圖像組成，這些圖像之間有較大差異。圖像尺度為3。實驗中，用每個類的前一半紋理作為訓練樣本，后一半紋理作為測試樣本。訓練樣本與測試樣本總數為384，9120，960。

3.1　與其他算法的比較

為了說明本研究提出的算法，筆者對比了LBP，DWT，以及LBP不同模式下的幾種方法。這里DWT選用haar小波，小波階數為3。表1～表3顯示了不同算法下，各個庫的識別率。

表1　Brodatz庫識別率

表2　Outex庫識別率

表3　UMD庫識別率

3.2　小波的選擇與比較

由于采用一級小波分解的逼近圖像替代原始圖像，與原始圖像相比較，逼近圖像不可避免地要丟失一些信息，那么選擇小波的條件應該是使逼近圖像最好地逼近原始圖像，使丟失的信息量最少，這即是小波變換的高頻系數產生大量的零系數或幅值很小的系數；另外，運算速度也是一個很重要的指標。本研究選擇了幾種不同的小波進行對比實驗，實驗結果如圖6所示

圖6　小波的選擇對識別率的影響

4　結語

針對紋理圖像識別率低的問題，本文提出了一種基于DWT和LBP混合作用的紋理識別方法。實驗結果表明，該方法能夠有效地提取局部和全局特征，對光照等環境變換適應性強，另外LBP魯棒性較強，具有較好的識別率。為了達到更好的識別效果，今后將對LBP特征提取的算法做進一步的研究。

［1］Haralick R M.Texture features for image classification［J］.Systems Man&Cybernetics IEEE Transactions on，1990，smc-3（6）：610-621.

［2］丁海勇，卞正富.基于SVM算法和紋理特征提取的遙感圖像分類［J］.計算機工程與設計，2008，29（8）：2131-2132.DING Haiyong，BIAN Zhengfu.Remote Sensing Image Classification Based on SVM Algorithm and Texture Feature Extraction［J］.Computer Engineering and Design，2008，29（8）：2131-2132.

［3］吳海豐，劉韞寧，郭秀花.Curvelet變換在醫學圖像處理中的應用現況［J］.北京生物醫學工程，2010，29（4）：432-435.WU Haifeng，LIU Yunning，GUO Liuhua.Application of Curvelet Transform in Medical Image Processing［J］.Beijing Biomedical Engineering，2010，29（4）：432-435.

［4］付蓉，石美紅，陳惠娟.自適應局部二值模式算法及其在織物疵點檢測中的應用［J］.紡織高校基礎科學學報，2010，23（1）：99-104.FU Rong，SHIMeihong，CHEN Huiguan.Adaptive Local Binary Pattern Algorithm and Its Application in Fabric DefectDetection［J］.Journalof Textile Science and Technology，2010，23（1）：99-104.

［5］業寧，丁建文，王迪，等.基于LBP特征提取的木材紋理缺陷檢測［J］.計算機研究與發展，2007（z2）：383-387.YE Ling，DING JianWen，WANG Di，et al.Inspection of Wood Texture Defects Based on LBP Feature Extraction［J］.JournalofComputer Research and Development，2007（z2）：383-387.

［6］黃非非，李見為，王瑋，等.結合小波分析和LBP算子的人臉描述與識別［J］.重慶理工大學學報自然科學版，2009，23（1）：102-108.WANG Feifei，LI Jianwei，WANGWei，et al.Description and Recognition Combining Wavelet Analysis and LBP Operator［J］.Journal of Chongqing Institute of Technology，2009，23（1）：102-108.

［7］鄒明福，童建軍，婁正良，等.基于筆劃分割的聯機簽名鑒定［J］.第二屆自動化與信息技術發展戰略研討會論文集，2002：390-398.ZHOUMingfu，DONG Jianjun，LIU Yingjian，etal.Online Signature Verification Based on Stroke Segmentation［J］.The Second Symposium on Automation and Information Technology DevelopmentStrategy，2002：390-398.

［8］肖霄.圖像LBP特征提取的研究與應用［D］.長春：吉林大學，2011.JIAO Xiao.Research and Application of Image LBP Feature Extraction［D］.Changchun：Jilin University，2011.

［9］ Ojala T，Pietik?inen M，M?enp??T.Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns［J］.IEEE Transactions on Pattern Analysis&Machine Intelligence，2002，24（7）：971-987.

［10］劉麗，匡綱要.圖像紋理特征提取方法綜述［J］.中國圖象圖形學報，2009，14（4）：622-635.LIU Li，KUANG Gangyao.A Survey of Image Texture Feature Extraction Methods［J］.Journal of Image and Graphics，2009，14（4）：622-635.

［11］Ojala T，Harwood I.A Comparative Study of Texture Measures with Classification Based on Feature Distributions［J］.Pattern Recognition，1996，29（1）：51-59.

［12］Darling EM，Joseph R D.Pattern Recognition from Satellite Altitudes［J］.IEEE Transactions on Systems Science&Cybernetics，1968，4（1）：38-47.

［13］Chellappa R，Chatterjee S.Classification of textures using GaussianMarkov randomfields［J］.Acoustics Speech&Signal Processing IEEE Transactionson，1985，33（4）：959-963.

［14］Chen CC，Huang C L.Markov random fields for texture classification［J］.Pattern Recognition Letters，1993，14（11）：907-914.

［15］MallatSG.A Theory forMultiresolution SignalDecomposition：The Wavelet Representation［J］.IEEE Transactions on Pattern Analysis&Machine Intelligence，1989，11（7）：674-693.